Composition du jury

Jury externe : Albert Soret (Centre de supercalculateur de Barcelone), David Brayshaw (Université de Reading), Aurélie Fischer (Université de Paris), Daniela Domeisen (ETH Zurich), Laurent Dubus (RTE), et Lauriane Batté (Météo France)
Encadrant.s.es : Riwal Plougonven (LMD), Hiba Omrani (EDF), Sylvie Parey (EDF) et Philippe Drobinski (LMD)
Collaborateurs : Alexis Tantet (LMD) et Peter Tankov (ENSAE-CREST)

Résumé

Dans le cadre de la transition énergétique, la part des énergies renouvelables dans le mix énergétique est de plus en plus importante, rendant le système électrique plus sensible aux conditions météorologiques. En conséquence, le secteur de l’énergie est continuellement à la recherche de prévisions les plus précises possibles des variables climatiques sur un ensemble d’échelles de temps. Les prévisions météorologiques déterministes à court et moyen terme (de quelques minutes à deux semaines maximum) sont fiables, et leur utilisation opérationnelle dans le secteur de l’énergie est donc bien établie. Cependant, sur des échelles de temps infra-saisonnières, c’est à dire au-delà de deux semaines et jusqu’à deux mois, les prévisions sont nécessairement probabilistes, et leur fiabilité reste limitée. Par conséquent, l’utilisation opérationnelle des prévisions infra-saisonnières dans le secteur de l’énergie en est encore à ses débuts.
Disposer d’informations précises sur la production d’énergie renouvelable et la consommation d’électricité attendues sur des échelles de temps infra-saisonnières peut apporter une vraie valeur ajoutée au secteur de l’énergie. De ce fait, l’objectif principal de cette thèse est d’évaluer en premier temps et d’améliorer ensuite les prévisions infra saisonnières par rapport à la climatologie, afin d’apporter des informations utiles et fiables au secteur de l’énergie. Nous nous concentrons dans ce travail sur la vitesse du vent à 100 m et la température à 2 m sur l’Europe.
Dans un premier temps, nous avons évalué les prévisions dynamiques infra-saisonnières en termes de vent et de température afin de quantifier leurs performances telles qu’elles sont fournies par le modèle de prévision. Nous avons montré que les prévisions de la température moyenne hebdomadaire sont plus fiables que la climatologie jusqu’à six semaines, et que celles de la vitesse du vent le sont jusqu’à trois semaines. Dans un deuxième temps, nous avons développé une technique de descente d’échelle statistique pour reconstruire des prévisions infra-saisonnières de la vitesse du vent et de la température en utilisant les prévisions de variables climatiques de grande échelle. Pour ce faire, nous avons utilisé des données historiques observées pour estimer la relation entre la circulation atmosphérique à grande échelle et nos variables d’intérêt. Nous avons appliqué par la suite cette relation sur les prévisions infra-saisonnières de la circulation à grande échelle, qui sont plus fiables que celles des variables de surface, pour en déduire des prévisions de nos variables d’intérêt. Cette méthode nous a permis de produire, à partir des prévisions infra-saisonnières de la circulation à grande échelle, un nouvel ensemble de prévisions statistiques de température et de vent. Nous avons démontré que l’ensemble dit « hybride » combinant à la fois les nouvelles prévisions statistiques et les prévisions dynamiques de nos variables d’intérêt est plus fiable que les prévisions dynamiques seules. Pour la dernière partie de la thèse, nous avons développé une étude de cas sur les épisodes de faible vent en Europe, en raison de leur importance pour le secteur de l’énergie. Nous nous sommes intéressés à l’épisode de vents faibles de juillet 2018 et les prévisions associées. Pour cet événement, ni les prévisions dynamiques ni les prévisions statistiques n’ont réussi à le prévoir et ce en raison de la difficulté que les modèles de prévisions météorologiques ont à prévoir correctement les situations de blocage très souvent à l’origine de ces faibles vents.

Abstract

Climate change has stimulated the energy sector, which is the largest emitter of global greenhouse gases (~40% in 2019), to transition to low-carbon energies. Europe, being one of the highest historical emitters of greenhouse gases, sits at the forefront of the energy transition. With a growing share of variable renewable power systems in the electricity mix on the one hand, and changing frequency and intensity of extreme events on the other, the weather-sensitive European energy sector is continuously on the lookout for accurate forecasts of essential climate variables on a continuum of timescales. The weather forecasts on short- to medium-range (i.e., from a few minutes ahead to at most two weeks) are reliable and essentially deterministic, and hence their operational use within the energy sector is well established. However, on timescales beyond two weeks and up to two months, i.e. in the sub-seasonal range, the predictions are necessarily probabilistic, and their reliability is far from that offered by short- and medium-range forecasts. Consequently, the operational use of sub-seasonal predictions within the energy sector is still in its infancy.
Having accurate information about the expected renewable energy production and electricity consumption on sub-seasonal timescales can help the energy sector in determining required reserve levels, scheduling maintenance, assessing and allocating risks attributed to extreme events, and estimating grid transmission capacity. In this regard, the main objective of this thesis is to provide more reliable information on sub-seasonal timescales, relative to climatology, to aid the energy sector in operational decision-making. We focus this research on 100-m wind speed and 2-m temperature over Europe.
As an essential first step, we rigorously assess the skill of sub-seasonal dynamical predictions of these two variables to quantify their predictability limits as they are delivered in a given forecasting system (the extended-range predictions of the European Centre for Medium-Range Weather Forecasts). We show that the weekly mean predictions of gridded temperature are more reliable than climatology for up to six weeks, and those of wind speed for up to three weeks. As a second step, we develop a statistical downscaling technique to reconstruct sub-seasonal predictions of wind speed and temperature using predictions of large-scale atmospheric circulation. We summarize the large-scale atmospheric state in a few indices by employing a dimension reduction methodology conditioned on wind speed and temperature over Europe. In other words, we use historical, observationally derived data to capture the relationship between the large-scale atmospheric circulation and our variables of interest (100 m wind speed and 2 m temperature). We then employ this relationship on sub-seasonal predictions of large-scale circulation, which are more reliable than surface variables, to deduce information about our variables of interest. This method allows us to produce, from a given ensemble of sub-seasonal predictions of large-scale circulation, a new ensemble of sub-seasonal predictions of our variables of interest. We demonstrate that the information thus extracted has value, as the hybrid ensemble combining both the dynamical and the statistical predictions of our variables of interest are more reliable than the dynamical predictions alone. As a final study, we investigate episodes of wind drought over Europe, because of their importance to the energy sector. A case study of the July 2018 episode of weak winds and the associated predictions, with and without our statistical downscaling methodology, illustrates the persistent difficulties of sub-seasonal predictions in predicting extreme events, in this case, due to the long-lasting challenge of forecasting blocking events.